Abstract Genetically predicted levels of multi-omic traits can uncover the molecular underpinnings of common phenotypes in a highly efficient manner. Here, we utilised a large cohort (INTERVAL; N=50,000 participants) with extensive multi-omic data for plasma proteomics (SomaScan, N=3,175; Olink, N=4,822), plasma metabolomics (Metabolon HD4, N=8,153), serum metabolomics (Nightingale, N=37,359), and whole blood Illumina RNA sequencing (N=4,136). We used machine learning to train genetic scores for 17,227 molecular traits, including 10,521 which reached Bonferroni-adjusted significance. We evaluated genetic score performances in external validation across European, Asian and African American ancestries, and assessed their longitudinal stability within diverse individuals. We demonstrated the utility of these multi-omic genetic scores by quantifying the genetic control of biological pathways and by generating a synthetic multi-omic dataset of UK Biobank to identify disease associations using a phenome-wide scan. Finally, we developed a portal ( OmicsPred.org ) to facilitate public access to all genetic scores and validation results as well as to serve as a platform for future extensions and enhancements of multi-omic genetic scores.

Genome-wide association analyses using high-throughput metabolomics platforms have led to novel insights into the biology of human metabolism1-7. This detailed knowledge of the genetic determinants of systemic metabolism has been pivotal for uncovering how genetic pathways influence biological mechanisms and complex diseases8-11. Here we present a genome-wide association study for 233 circulating metabolic traits quantified by nuclear magnetic resonance spectroscopy in up to 136,016 participants from 33 cohorts. We identify more than 400 independent loci and assign probable causal genes at two-thirds of these using manual curation of plausible biological candidates. We highlight the importance of sample and participant characteristics that can have significant effects on genetic associations. We use detailed metabolic profiling of lipoprotein- and lipid-associated variants to better characterize how known lipid loci and novel loci affect lipoprotein metabolism at a granular level. We demonstrate the translational utility of comprehensively phenotyped molecular data, characterizing the metabolic associations of intrahepatic cholestasis of pregnancy. Finally, we observe substantial genetic pleiotropy for multiple metabolic pathways and illustrate the importance of careful instrument selection in Mendelian randomization analysis, revealing a putative causal relationship between acetone and hypertension. Our publicly available results provide a foundational resource for the community to examine the role of metabolism across diverse diseases.

Polygenic risk scores (PRSs) capture the genetic architecture of common diseases by aggregating genome-wide genetic variation into a single score that reflects an individual’s disease risk. These present new opportunities to identify molecular pathways involved in disease pathogenesis. We performed association analysis between PRSs and 3,442 plasma proteins in 3,175 healthy individuals, identifying 48 proteins whose levels associated with PRSs for coronary artery disease, chronic kidney disease, or type 2 diabetes. Integrative analyses of human and mouse data to characterise these associations revealed a role for polygenic effects on several well-known causal disease proteins and identified promising novel targets for future follow-up. We found implicated PRS-associated genes were responsive to dietary intervention in mice and showed strong evidence of druggability in humans, consistent with PRS-associated proteins having therapeutic potential. Overall, our study provides a framework for polygenic association studies, demonstrating the power of PRSs to unravel novel disease biology.

Circulating levels of small molecules or metabolites are highly heritable, but the impact of genetic differences in metabolism on human health is not well understood. In this cross-platform, genome-wide meta-analysis of 174 metabolite levels across six cohorts including up to 86,507 participants (70% unpublished data), we identify 499 (362 novel) genome-wide significant associations (p<4.9x10-10) at 144 (94 novel) genomic regions. We show that inheritance of blood metabolite levels in the general population is characterized by pleiotropy, allelic heterogeneity, rare and common variants with large effects, non-linear associations, and enrichment for nonsynonymous variation in transporter and enzyme encoding genes. The majority of identified genes are known to be involved in biochemical processes regulating metabolite levels and to cause monogenic inborn errors of metabolism linked to specific metabolites, such as ASNS (rs17345286, MAF=0.27) and asparagine levels. We illustrate the influence of metabolite-associated variants on human health including a functional variant (rs17681684) in GLP2R associated with citrulline levels, impaired insulin secretion and type 2 diabetes risk. We link genetically-higher serine levels to a 95% reduction in the likelihood of developing macular telangiectasia type 2 [odds ratio (95% confidence interval) per standard deviation higher levels 0.05 (0.03-0.08; p=9.5x10-30)]. We further demonstrate the predictive value of genetic variants identified for serine or glycine levels for this rare and difficult to diagnose degenerative retinal disease [area under the receiver operating characteristic curve: 0.73 (95% confidence interval: 0.70-0.75)], for which low serine availability, through generation of deoxysphingolipids, has recently been shown to be causally relevant. These results show that integration of human genomic variation with circulating small molecule data obtained across different measurement platforms enables efficient discovery of genetic regulators of human metabolism and translation into clinical insights.

flashfmZoom is an all-in-one tool for analysis and interactive visualisation of potential causal genetic variants that underlie associations with quantitative traits from the UK Biobank. It offers a user-friendly interface and guides users in the selection of pleiotropic regions among subsets of 134 quantitative traits, such as cardiometabolic, hematologic, and respiratory traits. Users may then run single-trait fine-mapping, allowing for multiple causal variants, and leverage information between the traits using multi-trait fine-mapping to improve resolution. A series of interactive plots and downloadable tables are generated within flashfmZoom to identify potential causal variants that are shared or distinct between the traits; it also lists relevant literature for the traits and/or variants. Besides exploring traits that are well-known to be related, flashfmZoom encourages interactive exploration for the joint analysis of traits that may not often be considered together. This may reveal common aetiological pathways between traits related to different disorders.

Circulating metabolite levels are biomarkers for cardiovascular disease (CVD). We tested association between rare sequence variants and 226 serum lipoproteins, lipids and amino acids in 7,142 healthy participants. Gene-based association analyses identified novel gene-trait associations with ACSL1, MYCN, FBXO36 and B4GALNT3 (p<2.5x10-6), and confirmed established associations. Regulation of the pyruvate dehydrogenase (PDH) complex was associated for the first time, in gene set analyses, with IDL and LDL parameters, as well as circulating cholesterol (pMETASKAT<2.41x10-6). Individuals at the lower tails of the distributions of four out of 49 lipoproteins and lipids had an excess of predicted deleterious variants in lipoprotein disorder and metabolism gene sets (ppermutation<0.00037). These four traits were CVD risk factors (e.g. S-VLDL-C), demonstrating that rare "protective" variation is a significant contributor to lipoprotein levels in a healthy population. In conclusion, rare variant analysis of these important metabolic biomarkers reveals novel loci and pathways involved in their regulation.

Abstract Summary flashfm-ivis provides a suite of interactive visualisation plots to view potential causal genetic variants that underlie associations that are shared or distinct between multiple quantitative traits and compares results between single- and multi-trait fine-mapping. Unique features include network diagrams that show joint effects between variants for each trait and regional association plots that integrate fine-mapping results, all with user-controlled zoom features for an interactive exploration of potential causal variants across traits. Availability and Implementation flashfm-ivis is an open-source software under the MIT license. It is available as an interactive web-based tool ( http://shiny.mrc-bsu.cam.ac.uk/apps/flashfm-ivis/ ) and as an R package format. Code and documentation are available at https://github.com/fz-cambridge/flashfm-ivis and https://zenodo.org/record/6376244#.YjnarC-l2X0 . Additional features can be downloaded as standalone R libraries to encourage reuse. Contact feng.zhou@mrc-bsu.cam.ac.uk or jennifer.asimit@mrc-bsu.cam.ac.uk

Background: CETP inhibition reduces vascular event rates but confusion surrounds its low-density lipoprotein (LDL)-cholesterol effects. We sought to clarify associations of genetic inhibition of CETP on detailed lipoproteins. Methods and Results: We used variants associated with CETP (rs247617) and HMGCR (rs12916) expression in 62,400 Europeans with detailed lipoprotein profiling from nuclear magnetic resonance spectroscopy. Genetic associations were scaled to 10% lower risk of coronary heart disease (CHD). Associations of lipoprotein measures with risk of incident CHD in three population-based cohorts (770 cases) were examined. CETP and HMGCR had near-identical associations with LDL-cholesterol concentration estimated by Friedewald-equation. HMGCR had a relatively consistent effect on cholesterol concentrations across all apolipoprotein B-containing lipoproteins. CETP had stronger effects on remnant and very-low-density lipoprotein cholesterol but no effect on cholesterol concentrations in LDL defined by particle size (diameter 18-26 nm) (-0.02SD 95%CI: -0.10, 0.05 for CETP versus -0.24SD, 95%CI -0.30, -0.18 for HMGCR). CETP had profound effects on lipid compositions of lipoproteins, with strong reductions in the triglyceride content of all high-density lipoprotein (HDL) particles. These alterations in triglyceride composition within HDL subclasses were observationally associated with risk of CHD, independently of total cholesterol and triglycerides (strongest HR per 1-SD higher triglyceride composition in very-large HDL 1.35; 95%CI: 1.18, 1.54). Conclusion: CETP inhibition does not affect size-specific LDL cholesterol but may lower CHD risk by lowering cholesterol in other apolipoprotein-B containing lipoproteins and lowering triglyceride content of HDL particles. Conventional composite lipid assays may mask heterogeneous effects of lipid-altering therapies.

Proteins are the primary functional units of biology and the direct targets of most drugs, yet there is limited knowledge of the genetic factors determining inter-individual variation in protein levels. Here we reveal the genetic architecture of the human plasma proteome, testing 10.6 million DNA variants against levels of 2,994 proteins in 3,301 individuals. We identify 1,927 genetic associations with 1,478 proteins, a 4-fold increase on existing knowledge, including trans associations for 1,104 proteins. To understand consequences of perturbations in plasma protein levels, we introduce an approach that links naturally occurring genetic variation with biological, disease, and drug databases. We provide insights into pathogenesis by uncovering the molecular effects of disease-associated variants. We identify causal roles for protein biomarkers in disease through Mendelian randomization analysis. Our results reveal new drug targets, opportunities for matching existing drugs with new disease indications, and potential safety concerns for drugs under development.